基于主成分分析和遗传支持向量机的发动机故障诊断

为了实现发动机故障的快速实时诊断,提出一种基于主成分分析（PCA）和遗传支持向量机（GA-SVM）的发动机故障诊断方法。该方法利用振动信号经小波变换和主元分析来提取故障特征,以减少信号的冗余。针对人为选择SVM参数的盲目性,应用遗传算法优化其参数,并与BP神经网络（BPNN）比较。试验结果表明：GA-SVM比BPNN具有更强的分类识别能力,小样本故障诊断正确率达100%。     

基于特征融合技术的发动机故障诊断

为了提高发动机的故障识别率,设计了一种将B&B算法与广义辨别分析（GDA）相结合的多类特征融合方法。从发动机转子的振动信号中提取出频谱特征集和纹理特征集,用B&B算法删去2类特征集中信息量少的特征,并用GDA和支持向量机（SVM）分类器进行特征融合和分类识别。发动机的转子故障试验结果表明,该方法获得的融合特征包含有更多的类别信息,用于转子故障获得的识别率为98.21%,且不受分类器核参数的影响;而频谱特征、纹理特征输入SVM分类器后获得的故障识别率仅为92.86%和89.29%。该研究为发动机的故障诊断提     

基于声强信号分析和组合神经网络的发动机故障诊断

建立了一个基于声强信号分析和组合神经网络的发动机故障诊断模型。该模型首先运用小波理论分析各类故障下发动机产生的声强信号,获取反映发动机工作状态的频带特征向量,然后将特征向量用于组合神经网络训练,进行故障模式识别。通过对3Y丰田2．0发动机的试验数据分析表明,这种模型可有效提高故障诊断的效率和准确率。     

拖拉机发动机电气故障诊断方法研究——基于信号瞬态成分稀疏表示方法

由于拖拉机发动机工作时的噪声较大,其故障信号较难采集,而电气信号的输出较为平稳,因此可以通过电气信号的特征提取来诊断发动机的故障。发动机电气的故障信号一般是特征较为明显的瞬态信号,有多种检测方法,信号的特征不同,各种方法的检测性能也会存在差异。本次提出了一种基于小波和稀疏表示的瞬态信号检测方法,并搭建了虚拟仪器平台对发动机的故障信号进行了检测。结果表明:采用小波和信号成分稀疏表示可以成功地提取发动机电气故障的瞬态信号特征,然后将信号特征和经验特征进行比对,便可以判断发动机电气的故障类型,为拖拉机发动机故障诊断的研究提供了重要的数据参考。     

灰色关联分析在点火系统故障诊断中的应用

在分析发动机点火系统故障诊断参数的基础上，提出了用灰色关联分析进行故障诊断的方法。建立了基于灰色关联分析的故障诊断模型，给出了计算灰色关联度的具体步骤，建立了汽车发动机点火系统的故障集、征兆集。实例分析结果表明，利用灰色关联分析理论对发动机点火系统进行故障诊断，是一种行之有效的方法。     

汽车发动机故障诊断研究的理论与方法

随着现代社会汽车制造技术的不断研究与完善,汽车工艺的不断提升,建立更加合理、更加科学、更加完善的系统汽车故障诊断理论体系成为发展的必要趋势。文章对汽车发动机故障诊断的理论和方法进行分析研究,分别从信号处理、模糊故障诊断、知识等方面进行分析和探讨,望对以后发动机故障的诊断研究提供帮助。     

基于人工智能的农用拖拉机发动机故障快速诊断研究

为了达到拖拉机发动机不解体故障诊断的目的,提高诊断效率,利用发动机缸盖的振动信号的采集原理,提出了一种基于神经网络的人工智能故障检测方法,并构建了拖拉机发动机振动信号采集系统。基于人工智能的拖拉机发动机故障诊断系统,综合运用信号采集技术、信号处理技术、数据库技术、神经网络技术和人工智能专家系统,实现了和数据库及具有强大信号分析的处理功能,提高了系统的诊断实时性和诊断精度。最后,采用田间试验方法,对拖拉机故障快速诊断系统进行了试验验证。试验结果表明:采用人工智能诊断方法不仅可以有效提高系统的准确率,而且诊断系统的响应更加迅速,并且曝晒、震动、灰尘等恶劣的现场环境中仍能保持正常工作的稳定性。     

农用汽车发动机状态监测系统与诊断方法研究

为及时诊断农用汽车发动机的工作性能和故障状态,设计了多类信号采集、分析处理系统。通过对农用汽车发动机监测信号的采集、处理、融合和诊断,搭建了发动机故障诊断平台。详细介绍了故障诊断系统的基本思想和网络架构,重点研究了信号的采集和处理算法,提出并建立了一种基于信息融合的BP神经网络农用汽车发动机故障诊断算法。在线实验表明:系统具有运行稳定、鲁棒性好及诊断精度高的特点,能够满足实际诊断需求。     

基于GAF-Alexnet-ELM的齿轮箱故障诊断方法

针对齿轮箱在噪声、转速、加载电流变化的情况下故障诊断模型泛化性能差的问题,提出一种GAF-AlexnetELM的齿轮箱故障诊断模型。利用格拉姆角场（GAF）的方法将齿轮箱的振动信号转化为二维图像,将二维图像压缩至适当大小,再输入卷积神经网络（Alexnet）进行特征提取,最后将Alexnet提取的特征放入极限学习机（ELM）进行故障识别。为了验证模型性能,采用千鹏公司QPZZ-II旋转机械振动分析及故障诊断试验平台系统的数据集进行齿轮箱故障诊断分析,同时进行多组对比实验,验证不同模型的故障诊断性能和泛化性能。结果表明,该模型故障识别准确率达到了96.33%;在噪声、转速、加载电流变化的情况下,故障识别准确率也较高,证明了所提方法具有良好的故障诊断效果和泛化性能。     

基于振动信号分析的联合收割机故障检测系统研究

首先,介绍了振动信号分析原理及应用,并设计了联合收割机发动机振动信号采集与处理模块;然后,基于卷积神经网络,实现了联合收割机故障检测系统,并利用MatLab进行了发动机故障诊断仿真。实验结果表明:采用卷积神经网络的故障检测模型,可实现对联合收割机发动机转子、轴承和机匣的故障检测,且识别率在95%以上,证明了系统的可靠性和可行性。     

基于离子选择电极和单片机技术的电子舌设计与试验

设计了一套基于离子选择电极和单片机技术的电子舌系统,并基于机器学习方法对饮用矿泉水及苹果汁进行了检测.使用离子选择电极组成传感器阵列,并通过单片机系统和串行A/D模块实现了高可靠性、低硬件成本的数据采集;在Matlab环境下实现了对实验数据的主成分分析、BP和PNN神经网络以及SVM分析,探讨了神经网络的优化设计方式.实验结果表明,该电子舌系统能够准确识别饮用水类别,并具有良好的可扩展性及成本低廉等优点.     

基于嗅觉和光谱技术融合的面粉脂肪酸值定量检测

提出了一种基于比色传感器数据和近红外光谱特征融合的储藏期面粉脂肪酸值的定量检测方法。开发比色传感器阵列、搭建便携式近红外光谱测量系统,分别采集不同储藏期面粉样本的比色传感器数据和近红外光谱。利用主成分分析分别对预处理后的比色传感器数据和近红外光谱数据进行特征降维,采用五折交互验证法在反向传播神经网络(BPNN)模型校正过程中进行优化,确定基于单技术分析模型的最佳主成分(PCs)个数。将优化后的基于单技术模型的最佳PCs在特征层进行融合,建立基于融合特征的BPNN分析模型,以实现对面粉储藏过程中脂肪酸值的快速检测。实验结果显示,基于比色传感器特征和基于近红外光谱特征建立的最佳BPNN模型的最佳PCs数量分别为3和4,基于融合特征建立的BPNN模型在预测集中的相关系数和预测均方根误差的均值分别为0.9276和1.9345 mg/(100 g)。研究表明,与单技术数据分析模型相比,基于比色传感器数据和近红外光谱特征融合模型的检测精度和泛化性能都有所提高。本研究可为粮食储藏品质的高精度原位监测提供一种技术方法。     

支持向量机在发动机故障诊断中的应用研究

鉴于支持向量机(SVM)的优越性及汽车发动机的故障特点,本文提出将支持向量机应用到发动机故障的智能诊断中。该方法专门针对小样本集合设计,能够在小样本情况下获得较大的推广能力,而且模型简单。首先对采集的故障信号采取信息融合方式进行特征提取,以获得特征向量。在此基础上通过多分类支持向量机对发动机故障进行分类测试,建立了故障诊断模型。试验结果表明:该方法具有较高的诊断精度,达到了发动机的故障诊断要求。     

马铃薯典型病害图像自适应特征融合与快速识别

针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。     

基于BP神经网络的信息融合发动机故障诊断的研究

为了解决发动机喷油器故障诊断中基于单传感器信息的方法诊断精度低的缺点，在神经网络分析的基础上，提出了一种基于气缸压和、缸盖振动信号和燃油压力等多传感器信息融合的喷油器故障诊断新方法。该方法能有效地提高其故障诊断精度，明显增加了诊断过程的准确性和智能化。     

电控发动机故障数据流的关联特性分析与诊断优化

汽车故障诊断仪除了具有对汽车电子控制系统自诊断系统进行读取故障码和清除故障码的功能外,还具有对电子控制系统进行动态数据测试（数据流分析）功能.数据流测试功能仅能测试故障数据,无法分析数据,分析还得依托人员解决针对电控发动机故障数据分析其关联特性,结合实例,提出了数据流分析在汽车故障诊断仪的优化思路.     

基于小波K-L信息量柴油机故障诊断方法的研究

根据柴油机表面振动信号非平稳时变的特性 ,采用小波对柴油机缸体表面的振动信号进行分解得到特征信息量 ,并以此建立 AR模型 ,计算得到 K L信息量。提出了基于小波 K L信息量的模式识别方法 ,实现故障诊断技术的量化。对柴油机活塞和缸套间的磨损状态进行了故障诊断实例分析 ,诊断结果说明基于小波 K L信息量的模式识别方法对柴油机的故障诊断具有很好的实用性。     

基于时空信息比较的温室环境传感器故障识别

为了提高温室环境测控系统中传感器数据的准确性,针对温室环境参数变化的时间相关性和空间相似性特点,提出了一种基于主成分分析(Principal component analysis,PCA)的故障检测与基于时空信息比较的温室环境监测系统的传感器故障识别方法。首先利用基于PCA的传感器故障检测方法,通过监控统计量T2和SPE的变化实现传感器系统故障检测;再针对检测出故障的传感器节点,对该时刻传感器节点采用基于时空特性的节点信息比较实现不同传感器的故障识别。分别对比基于时间尺度、空间尺度、时空尺度的节点信息比较方法对传感器故障识别的影响进行了分析与试验验证,验证结果表明:基于PCA的传感器故障检测方法能够有效地实现对传感器系统故障的初步检测,提出的基于时空信息比较的传感器故障识别方法,融合考虑时间尺度和空间尺度的节点信息,能够有效地实现传感器具体故障定位;所建立的传感器故障识别方法检测正确率CDR为98.37%、平均虚警率FAR为1.72%,较传统的传感器故障识别方法检测正确率CDR提高了22.067个百分点,而平均虚警率FAR则降低了15.762个百分点,能够有效地保证故障诊断效率、提高故障诊断精度、降低虚警率,具有可靠性和准确性。